门限自回归模型在海洋冰情预测中的应用

给出了建立门限自回归模型（ＴＡＲ） 的一套实用方法, 用作者提出的改进遗传算法可同时优化门限值和自回归系数,成功地解决了ＴＡＲ建模过程所涉及的大量复杂寻优工作这一难题。实例计算的结果说明了, 这套方法在海洋冰情预测中是可行的和有效的, 在各种自然灾害非线性时序动态预测中具有重要的理论意义和广泛的实用价值。     

人工神经网络在预测深基坑周边地表沉降变形中的应用研究

深基坑开挖引起的周边地表变形预测是一个复杂非线性问题,引起地表沉降的影响因素很多,各因素之间呈高度的非线性关系。传统的基坑用边地表沉降变形预测方法存在着一定的局限性,其预测精度有待提高,而人工神经网络是一种多元非线性动力学系统,可以灵活方便地对多成因的复杂未知系统进行高度建模,实现全面考虑各种主要影响因素的深基坑周边地表沉降变形预测。本文介绍了误差反向传播(BP)网络模型的结构、学习过程及其算法的改进,径向基函数(RBF)网络模型的结构及其学习过程;分析了影响深基坑开挖周边土体沉降变形的主要影响因素;以25个基坑工程的地表沉降实测资料为训练样本,建立了11个输入影响因素的BP神经网络模型和RBF神经网络模型,通过对样本的学习训练过程及对5个检验样本的预测精度,说明了人工神经网络用于预测基坑周边地表沉降的可行性和准确性。     

BP和RBF神经网络在边坡稳定性评价中的应用

基于BP网络和RBF网络理论,选取影响岩质边坡稳定性的一些主要因素,建立了边坡稳定性分析的神经网络模型,并用Matlab7.0神经网络工具箱对一些边坡样本进行训练仿真。对比了两种网络的逼近精度和预测结果,结果表明:两种网络均可以用于边坡的稳定性评价,RBF网络的性能要优于BP网络,网络最优参数的选择要通过反复实验获得。     

基于PCMRA神经网络补偿算法的瓦斯涌出量预测

为了克服自变量之间的多重共线问题,提高多元回归模型预测的精确性,将主成分分析(PCA)与多元回归分析(MRA)相结合,提出了主成分多元回归分析(PCMRA)模型。利用RBF神经网络对主成分回归分析残差进行拟合预测,最后利用残差预测值对主成分回归分析预测值进行补偿。结果表明:利用RBF神经网络对主成分回归模型进行补偿,将线性拟合算法和非线性拟合算法结合起来用于瓦斯涌出量预测是一种较为优越的算法。     

基于混沌优化神经网络的砂土液化预测模型

针对砂土液化预测的非线性难题,在分析BP神经网络和混沌优化的各自优缺点的基础上,将混沌优化与梯度下降法相结合,构成了神经网络权值和阈值的一种新的组合优化算法(COBP),并将该组合优化算法用于砂土液化的预测建模.工程实例应用表明,该组合优化模型不仅搜索速度快,全局稳定性好,而且预测精度高,结果可靠,能达到工程应用的精度要求,为砂土液化的非线性预测提供了一种有效方法.     

粗集神经网络在煤与瓦斯突出预测中的应用

结合粗集理论的属性约简功能和人工神经网络的非线性映射特性,提出了煤与瓦斯突出的一种预测方法.首先用粗集理论对训练样本进行属性约简和降噪,然后将经过预处理的训练样本代入神经网络进行训练,获得稳定的网络结构,最后用训练好的神经网络对待测样本进行预测.实际应用表明:瓦斯压力、瓦斯放散速度、地质构造、煤的坚固性系数和开采深度是煤与瓦斯突出预测的必要指标;粗集神经网络模型具有较高的预测精度和良好的实用性,是一种十分有效的煤与瓦斯突出预测方法.     

基于灰色理论和神经网络的边坡位移预测

边坡位移的发展受地质条件、天气环境和人类活动等众多因素的影响，变化趋势复杂，很难建立一个准确的经典数学模型对其进行全面的描述。为了得到边坡位移较准确的估计，采用多模型信息融合技术对边坡位移进行了预测。首先，将边坡这类影响因素复杂的系统看成是一个灰色系统，分别采用GM（1，1）模型、Verhulst模型和DGM（2，1）模型对位移值进行预测。其次，考虑到神经网络的高速并行计算能力和类似人类思维活动的处理机制，利用神经网络的办法对不同的灰色预测模型进行组合，生成灰色神经网络模型，该模型有效地将灰色理论弱化数据序列波动性的优点和神经网络特有的非线性适用性信息处理能力相融合，通过反复训练、学习，自动调节，可以得出各模型在组合模型中的合理权重，从而输出满意的结果。通过对比发现，利用组合灰色神经网络模型预测的位移值，比单独的灰色模型预测的位移值具有更高的精度。     

基于神经网络模型的房屋震害易损性估计方法

结构易损性分析是震害预测工作中的一个重要环节.本文提出了一种基于人工神经网络模型的房屋震害易损性估计方法,文中以多层砖房结构的建筑为例,给出了易损性估计神经网络模型的输入向量设计方案和具有输出约束控制的BP神经网络模型.     

基于改进的PSO‑BP神经网络的边坡稳定性研究∗

边坡稳定性研究对于重大地质灾害防治极其重要，但由于影响边坡稳定性的因素具有非线性、多样性以及模糊性等特征，边坡稳定性分析一直是地质灾害防治领域的热难点问题。已有研究表明神经网络预测模型可有效应用边坡稳定性分析，但同时存在预测精度低、鲁棒性差、收敛速度慢等缺点。为改善上述问题，在粒子群算法优化的 BP 神经网络（简称 PSO?BP 神经网络）算法基础上提出一种改进的边坡稳定性预测模型。该模型以容重、内聚力、内摩擦角、边坡角、高度、孔隙压力比作为输入参数，以安全系数作为输出参数。通过借鉴遗传算法中的变异思想来提升模型全局寻优的能力，利用能量函数负梯度下降原理提高模型的收敛速度。将所收集到百余条边坡数据进行数据清洗，最终得到 80 条高质量边坡数据，随机选取其中的 50 条边坡数据作为模型的试验数据。最后采用十折交叉验证的方法对模型的准确性进行验证，并在多维度与其余边坡稳定性神经网络预测模型进行对比分析。结果表明：①该模型相比于其余模型收敛速度、准确率、鲁棒性均有明显提高；②将 K 折交叉验证应用在小样本数据下的边坡稳定性神经网络预测模型，可有效避免结果的偶然性。③该模型的预测误差仅为 4.31%，满足工程精度需求，可在实际工程中为边坡稳定性分析与灾害防治提供参考。     

非线性时序法在城市大气污染预测中的应用

建立城市大气污染预测模型是治理城市大气污染的重要工作。在简述时间序列方法基本原理的基础上，分析了系数为变量的自回归滑动平均（ARMA）模型、截断ARMA模型，和残差为自回归综合滑动平均（ARIMA）的半参数方法等城市大气污染预测模型。以法国某城市为例，分别采用AR模型和系数为变量的AR模型对大气污染进行了预测。通过比较预测结果可知，基于非线性时间序列方法的城市大气污染预测模型可以提高预测精度，降低预测误差。     

基于遥感技术的1988—2018年渤海海冰冰情时空变化特征

基于AVHRR、MODIS、GOCI遥感数据解译,构建了1988—2018年非连续日尺度冰情序列数据集,分析了渤海海冰冰情年际和年内时空变化特征。渤海冰情等级、年均海冰面积和年均海冰厚度均有明显的年际波动。海冰生消过程的日均面积和厚度变化呈现单峰型,且海冰面积和冰厚峰值均出现在1月25日。渤海海冰主要分布在辽东湾,其冬季结冰范围占渤海曾经结冰范围的70.58%,渤海中间区基本不结冰。海冰冰情指标与气象因子相关性分析结果表明：冻冰期海冰面积和冰厚相关系数最高的气象因子均是累积冻冰度日(CFDD);融冰期海冰面积相关系数最高的气象因子是3d-1.8℃积温,而冰厚则是累积融冰度日(CTDD)。据此选取CTDD、CFDD、3d-1.8℃积温及日最低气温四个指标建立多元非线性回归模型,并对冻冰期和融冰期分别拟合。进而对比分析2014—2018年海冰遥感提取面积与回归模型计算得到的海冰面积,其整体变化趋势一致,有一定的预测性。     

基于多源中高分辨率遥感数据提取渤海辽东湾海冰要素信息

海冰厚度是海冰参数中最为重要和最难获取的参数之一,对海洋灾害预警、气候变化等研究均有重要意义。本文选取2018年1月到3月的10景多源(Sentinel-2、Landsat-8、Landsat-7)中高分辨率影像对渤海辽东湾的海冰进行了监测。基于归一化水体指数进行海陆分割,通过分析海水与海冰光谱特征差异,利用最大似然法监督分类提取海冰区域,运用反照率与海冰厚度之间的经验指数模型反演海冰厚度,将反演结果与Zubov模型计算的冰厚结果进行比较,相关系数为0.884,证明了中高分辨率光学遥感数据在海冰厚度反演中的可行性。同时发挥中高分辨率遥感数据的优势,利用冰厚信息提取海冰类型、估算海冰资源量,为渤海海冰的防灾减灾以及海冰资源利用提供参考。     

西江年最高水位的神经网络预报模型

对西江洪水发生的特征进行分析表明，洪水发生频率高，具有明显阶段性特征，并与流域面雨量密切相关。利用前期环流场、海表温度（SST）场及环流特征量资料选择初选预报因子，然后对初选预报因子作EOF分解构造综合预报因子，结合人工神经网络方法建立了西江年最高水位预报模型，并对预报模型进行独立样本试验。结果表明，该预报模型对历史样本拟合精度高，试报效果明显好于传统的逐步回归模型，可在汛期预测业务中应用。     

滑坡预测的改进前馈网络方法研究

作者提出了滑坡位移预测的一种改进前馈网络方法——目的规划法,与通常的前馈网络方法相比,该方法改进了网络的准则函数,降低了网络的灵敏度,改善了网络的泛化性能,提高了滑坡位移的预测精度。同时它是一种面向数据的方法,适合于不同地区不同条件下滑坡的预测。清江隔河岩库区滑坡和卧龙寺滑坡的实例研究表明了该方法的可行性及有效性。     

深水平台施工过程自然风险定量评估

在分析现有风险理论的基础上,结合海洋施工实际,提出了一种对海洋施工自然风险进行定量评估的模型。根据目标系统各风险事件与影响因素之间存在高度非线性复杂映射的特点,提出了利用BP神经网络拟合方法,对主要风险事件发生概率进行量化的模型。针对传统的梯度下降优化算法收敛速度慢的特点,采用可避免计算Hesse矩阵的Levenberg-Marquardt算法来训练神经网络。这一模型可以模拟专家评价,并准确地按照专家的评定法则进行估算,具有一定的通用性。     

两种定性天气预报模型的对比分析

以南京１９６５～１９９４ 年４ 月平均气温作为预报量, 选取前期５００ ｈ Ｐａ 月平均高度场相关因子, 分别建立了事件概率回归预报模型和神经网络预报模型。通过对比分析发现, 在同等条件下,由于神经网络方法能更好地反映预报量与预报因子间的非线性关系, 并能有效避免采用事件概率回归方法预报建模时, 对预报因子分级造成信息损失的缺点。因此, 其拟合和预报效果明显优于传统的概率回归预报方法     

考虑预测不确定性的微网优化调度

针对现有技术下由于微网中不可控微源出力预测和负荷预测均存在误差较大而引起微网优化调度结果不准确的问题,提出在传统微网经济调度模型中增加不确定性描述模型,得到不同侧重点下的微网经济优化结果,并对结果进行分析。首先,通过利用区间数描述预测不确定性,并结合隶属度函数推导容忍度概念。其次,在并网运行模式的微网结构上建立以运行成本最低为目标函数的微网优化调度模型,并将该模型转换为区间数形式表示。最后,利用粒子群优化算法并以MATLAB为主要工具对上述模型进行求解,得到微网24 h出力优化区间解结果,并对结果进行详细分析。算例通过对某并网型微网进行分析,验证了所提模型的科学性和有效性。